Weitere Lagemaße: Quantile/Perzentile I
|
|
- Gerda Dieter
- vor 6 Jahren
- Abrufe
Transkript
1 3 Auswertung von eindimensionalen Daten Lagemaße 3.3 Weitere Lagemaße: Quantile/Perzentile I Für jeden Median x med gilt: Mindestens 50% der Merkmalswerte sind kleiner gleich x med und ebenso mindestens 50% größer gleich x med. Verallgemeinerung dieser Eigenschaft auf beliebige Anteile geläufig, also auf Werte, zu denen mindestens ein Anteil p kleiner gleich und ein Anteil 1 p größer gleich ist, sog. p-quantilen (auch p-perzentile) x p. Mediane sind dann gleichbedeutend mit 50%-Quantilen bzw. 0.5-Quantilen, es gilt also insbesondere bei eindeutigen Medianen x med = x 0.5. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 73
2 3 Auswertung von eindimensionalen Daten Lagemaße 3.3 Weitere Lagemaße: Quantile/Perzentile II Definition 3.5 (Quantile/Perzentile, Quartile) Sei X ein (mindestens) ordinalskaliertes Merkmal auf der Menge der vorstellbaren Merkmalsausprägungen M mit den Merkmalswerten x 1,..., x n. Für 0 < p < 1 heißt jeder Wert x p M mit der Eigenschaft #{i {1,..., n} x i x p } n p und #{i {1,..., n} x i x p } n 1 p p-quantil (auch p-perzentil) von X. Man bezeichnet spezieller das 0.25-Quantil x 0.25 als unteres Quartil sowie das 0.75-Quantil x 0.75 als oberes Quartil. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 74
3 3 Auswertung von eindimensionalen Daten Lagemaße 3.3 Weitere Lagemaße: Quantile/Perzentile III p-quantile kann man auch mit der emp. Verteilungsfunktion F bestimmen: Mit der Abkürzung F (x 0) := lim F (x h), x R, h 0 h>0 für linksseitige Grenzwerte empirischer Verteilungsfunktionen F ist x p ist genau dann ein p-quantil, wenn gilt: F (x p 0) p F (x p ) Spezieller ist x p genau dann ein p-quantil, wenn bei Vorliegen der exakten Häufigkeitsverteilung r und Verteilungsfunktion F gilt. F (x p) r(x p) p F (x p), bei Verwendung der approximativen Verteilungsfunktion F bei klassierten Daten (wegen der Stetigkeit der Approximation!) F (x p) = p Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 75
4 3 Auswertung von eindimensionalen Daten Lagemaße 3.3 Weitere Lagemaße: Quantile/Perzentile IV Genauso wie der Median muss ein p-quantil nicht eindeutig bestimmt sein. Bei stetigen Merkmalen kann Eindeutigkeit zum Beispiel durch die gängige Festlegung { x ( n p +1) für n p / N x p = 1 2 (x ) (n p) + x (n p+1) für n p N erreicht werden, wobei x (1), x (2),..., x (n) die gemäß der vorgegebenen Ordnung sortierte Urliste ist und mit y für y R die größte ganze Zahl kleiner gleich y bezeichnet wird. Zum Beispiel ist für die (bereits sortierte) Urliste 6.77, 7.06, 8.84, 9.98, 11.87, 12.18, 12.7, der Länge n = 8 das 0.25-Quantil x 0.25 wegen n p = = 2 N nicht eindeutig bestimmt, sondern alle Werte x 0.25 [7.06, 8.84] sind 0.25-Quantile. Die eindeutige Festlegung nach obiger Konvention würde dann die Auswahl x 0.25 = 1 2 ( ) = 7.95 treffen. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 76
5 3 Auswertung von eindimensionalen Daten Streuungsmaße 3.4 Streuungsmaße I Verdichtung der Merkmalswerte auf einen Lageparameter als einzige Kennzahl recht unspezifisch. Starke Unterschiede trotz übereinstimmender Lagemaße möglich: Stabdiagramme zu Urlisten mit identischem Mittelwert, Modus, Median Urliste 1 Urliste 2 absolute Häufigkeit absolute Häufigkeit Merkmalsausprägung Merkmalsausprägung Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 77
6 3 Auswertung von eindimensionalen Daten Streuungsmaße 3.4 Streuungsmaße II Bei kardinalskalierten Merkmalen: zusätzliche Kennzahl für Variation bzw. Streuung der Merkmalswerte von Interesse Ähnlich wie bei Lagemaßen: verschiedene Streuungsmaße gängig Allen Streuungsmaßen gemeinsam: Bezug zu Abstand zwischen Merkmalswerten Ein möglicher Abstand: (Betrag der) Differenz zwischen Merkmalswerten Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 78
7 3 Auswertung von eindimensionalen Daten Streuungsmaße 3.4 Streuungsmaße III Definition 3.6 (Spannweite, IQA, mittlere abs. Abweichung) Seien x 1,..., x n die Urliste zu einem kardinalskalierten Merkmal X, x med der Median und x 0.25 bzw. x 0.75 das untere bzw. obere Quartil von X. Dann heißt ( ( 1 SP := ) max x i i {1,...,n} ) min x i = x (n) x (1) die Spannweite von X, i {1,...,n} 2 IQA := x 0.75 x 0.25 der Interquartilsabstand (IQA) von X, 3 MAA := 1 n x i x med die mittlere absolute Abweichung von X. n i=1 Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 79
8 3 Auswertung von eindimensionalen Daten Streuungsmaße 3.4 Streuungsmaße IV Die Betragsstriche in Teil 1 und 2 von Definition 3.6 fehlen, da sie überflüssig sind. Um Eindeutigkeit in Teil 2 und 3 von Definition 3.6 zu erhalten, sind die für kardinalskalierte Merkmale üblichen Konventionen zur Berechnung von Median und Quantilen aus Folie 61 bzw. 76 anzuwenden. Verwendung von x statt x med in Teil 3 von Definition 3.6 prinzipiell möglich, aber: Beachte Folie 72! Weiterer möglicher Abstand: Quadrate der Differenzen zwischen Merkmalswerten Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 80
9 3 Auswertung von eindimensionalen Daten Streuungsmaße 3.4 Streuungsmaße V Definition 3.7 (empirische Varianz, empirische Standardabweichung) Seien x 1,..., x n die Urliste zu einem kardinalskalierten Merkmal X, x = 1 n n i=1 x i das arithmetische Mittel von X. Dann heißt 1 s 2 := 1 n (x i x) 2 die (empirische) Varianz von X, n i=1 2 die (positive) Wurzel s = s 2 1 = n n i=1 (x i x) 2 die (empirische) Standardabweichung von X. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 81
10 3 Auswertung von eindimensionalen Daten Streuungsmaße 3.4 Streuungsmaße VI Empirische Varianz bzw. Standardabweichung sind die gebräuchlichsten Streuungsmaße. Standardabweichung s hat dieselbe Dimension wie die Merkmalswerte, daher i.d.r. besser zu interpretieren als Varianz. Für Merkmale mit positivem Mittelwert x als relatives Streuungsmaß gebräuchlich: Variationskoeffizient VK := s x Rechenregeln zur alternativen Berechnung von s bzw. s2 vorhanden. Satz 3.8 (Verschiebungssatz) Seien x 1,..., x n die Urliste zu einem kardinalskalierten Merkmal X, x das arithmetische Mittel und s 2 die empirische Varianz von X. Dann gilt s 2 = 1 n n i=1 x 2 i x 2 Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 82
11 3 Auswertung von eindimensionalen Daten Streuungsmaße 3.4 Streuungsmaße VII Mit der Schreibweise x 2 = 1 n n i=1 x i 2 erhält man aus Satz 3.8 die kürzere Darstellung s 2 = x 2 x 2. Liegt zum Merkmal X die absolute Häufigkeitsverteilung h(a) bzw. die relative Häufigkeitsverteilung r(a) auf der Menge der Ausprägungen A = {a 1,..., a m } vor, so kann s 2 auch durch s 2 = 1 n m h(a j ) (a j x) 2 = j=1 m r(a j ) (a j x) 2 berechnet werden. (Berechnung von x dann mit Häufigkeiten als x = 1 m n j=1 h(a j) a j = m j=1 r(a j) a j, siehe Bemerkung 3.4 auf Folie 67) Natürlich kann alternativ auch Satz 3.8 verwendet und x 2 = 1 n n i=1 x i 2 mit Hilfe der Häufigkeitsverteilung durch berechnet werden. x 2 = 1 n m h(a j ) aj 2 = j=1 j=1 m r(a j ) aj 2 Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 83 j=1
12 3 Auswertung von eindimensionalen Daten Streuungsmaße 3.4 Empirische Varianz bei klassierten Daten Bei klassierten Daten: auch für empirische Varianz nur Approximation möglich. Analog zur Berechnung von s 2 aus Häufigkeitsverteilungen: Näherungsweise Berechnung von s 2 aus Klassenmitten m j und absoluten bzw. relativen Klassenhäufigkeiten h j bzw. r j der l Klassen als s 2 = 1 l h j (m j x) 2 mit x = 1 l h j m j n n bzw. s 2 = j=1 l r j (m j x) 2 mit x = j=1 Alternativ: Verwendung von Satz 3.8 mit x := 1 l h j m j = n und x 2 := 1 n j=1 l h j mj 2 = j=1 j=1 l r j m j. j=1 l r j m j j=1 l r j mj 2. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 84 j=1
13 3 Auswertung von eindimensionalen Daten Box-Plot 3.5 Box-and-whisker-Plot I Häufig von Interesse: Visueller Vergleich eines Merkmals für verschiedene statistische Massen Dazu nötig: Grafische Darstellung mit Ausdehnung (im Wesentlichen) nur in einer Dimension (2. Dimension für Nebeneinanderstellung der Datensätze) Box-and-whisker-Plot oder kürzer Box-Plot: Zur Urliste x 1,..., x n eines kardinalskalierten Merkmals werden im Prinzip die 5 Kennzahlen x (1), x 0.25, x 0.5, x 0.75, x (n) in Form eines durch x 0.5 geteilten Kästchens (Box) von x 0.25 bis x 0.75 und daran anschließende Schnurrhaare (Whisker) bis zum kleinsten Merkmalswert x (1) und zum größten Merkmalswert x (n) dargestellt: x (1) x 0.25 x 0.5 x 0.75 x (n) Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 85
14 3 Auswertung von eindimensionalen Daten Box-Plot 3.5 Box-and-whisker-Plot II (Häufig auftretende!) Ausnahme: x (1) und/oder x (n) liegen weiter als der 1.5-fache Interquartilsabstand (IQA) x 0.75 x 0.25 von der Box entfernt (also weiter als die 1.5-fache Breite der Box) Dann: Whiskers nur bis zu äußersten Merkmalswerten innerhalb dieser Distanz und separates Eintragen der Ausreißer, d.h. aller Urlisteneinträge, die nicht von der Box und den Whiskers abgedeckt werden. Beispiel mit Ausreißern : x (1) x (2) x 0.25 x 0.5 x 0.75 x (n 5) x (n) Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 86
15 3 Auswertung von eindimensionalen Daten Box-Plot 3.5 Box-and-whisker-Plot III Beispiel für Gegenüberstellung mehrerer Datensätze (Diskrete Tagesrenditen verschiedener DAX-Papiere) ADS.DE ALV.DE BAS.DE BAYN.DE BEI.DE BMW.DE CBK.DE DAI.DE Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 87
16 3 Auswertung von eindimensionalen Daten Symmetrie- und Wölbungsmaße 3.6 Symmetrie(-maß), Schiefe I Neben Lage und Streuung bei kardinalskalierten Merkmalen auch interessant: Symmetrie (bzw. Asymmetrie oder Schiefe) und Wölbung Ein Merkmal X ist symmetrisch (um x), wenn die Häufigkeitsverteilung von X x mit der von x X übereinstimmt. (Dabei ist mit X x das Merkmal mit den Urlistenelementen x i x für i {1,..., n} bezeichnet, dies gilt analog für x X.) Symmetrie eines Merkmals entspricht also der Achsensymmetrie des zugehörigen Stabdiagramms um x. Ist ein Merkmal nicht symmetrisch, ist die empirische Schiefe bzw. empirische Skewness ein geeignetes Maß für die Stärke der Asymmetrie. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 88
17 3 Auswertung von eindimensionalen Daten Symmetrie- und Wölbungsmaße 3.6 Symmetrie(-maß), Schiefe II Definition 3.9 (empirische Schiefe, Skewness) Sei X ein Merkmal mit der Urliste x 1,..., x n. Dann heißt skewness(x ) := 1 n ( ) 3 xi x n s i=1 mit x = 1 n n i=1 x 1 n i und s = n i=1 (x i x) 2 die empirische Schiefe (Skewness) von X. Man kann zeigen: X symmetrisch skewness(x ) = 0 X heißt linkssteil oder rechtsschief, falls skewness(x ) > 0. X heißt rechtssteil oder linksschief, falls skewness(x ) < 0. Für symmetrische Merkmale ist x gleichzeitig Median von X, bei linkssteilen Merkmalen gilt tendenziell x > x med, bei rechtssteilen tendenziell x < x med. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 89
18 3 Auswertung von eindimensionalen Daten Symmetrie- und Wölbungsmaße 3.6 Beispiele für empirische Schiefe von Merkmalen h(aj) symmetrisches Merkmal xmed x aj h(aj) skewness(x)=1.128 linkssteiles Merkmal xmed x aj h(aj) rechtssteiles Merkmal xmed x skewness(x)= aj Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 90
19 3 Auswertung von eindimensionalen Daten Symmetrie- und Wölbungsmaße 3.6 Wölbungsmaß (Kurtosis) I Definition 3.10 (empirische Wölbung, Kurtosis) Sei X ein Merkmal mit der Urliste x 1,..., x n. Dann heißt kurtosis(x ) := 1 n ( ) 4 xi x n s i=1 mit x = 1 n n i=1 x 1 n i und s = n i=1 (x i x) 2 die empirische Wölbung (Kurtosis) von X. Kurtosis misst bei Merkmalen mit einem Modalwert, wie flach (kleiner Wert) bzw. spitz (großer Wert) der Gipfel um diesen Modalwert ist. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 91
20 3 Auswertung von eindimensionalen Daten Symmetrie- und Wölbungsmaße 3.6 Wölbungsmaß (Kurtosis) II Bei gleicher mittlerer quadratischer Abweichung vom Mittelwert ( Varianz) müssen Merkmale mit größerer emp. Kurtosis (mehr Werten in der Nähe des Gipfels) auch mehr weit vom Gipfel entfernte Merkmalswerte besitzen. Der Wert 3 wird als normaler Wert für die empirische Kurtosis angenommen, Merkmale mit 1 kurtosis(x ) < 3 heißen platykurtisch, Merkmale mit kurtosis(x ) > 3 leptokurtisch. Vorsicht: Statt der Kurtosis von X wird oft die Exzess-Kurtosis von X angegeben, die der um den Wert 3 verminderten Kurtosis entspricht. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 92
21 3 Auswertung von eindimensionalen Daten Symmetrie- und Wölbungsmaße 3.6 Beispiele für Merkmale mit unterschiedlicher empirischer Kurtosis Merkmal mit kleiner empirischer Kurtosis (2.088) f j Merkmal mit großer empirischer Kurtosis (12.188) f j Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 93
22 3 Auswertung von eindimensionalen Daten Symmetrie- und Wölbungsmaße 3.6 Schiefe und Wölbung in grafischen Darstellungen I Box-Plots lassen auch auf empirische Schiefe und Kurtosis schließen. Bei symmetrischen Merkmalen sind auch die Box-Plots symmetrisch. Beispiel: Box-Plot zur Urliste 1, 2, 3, 4, 5, 6, 7, 8, 9: Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 94
23 3 Auswertung von eindimensionalen Daten Symmetrie- und Wölbungsmaße 3.6 Schiefe und Wölbung in grafischen Darstellungen II Bei linkssteilen Merkmalen hat tendenziell der rechte/obere Teil (rechter/oberer Teil der Box und rechter/oberer Whisker) eine größere Ausdehnung als der linke/untere Teil. Bei rechtssteilen Merkmalen hat tendenziell der rechte/obere Teil (rechter/oberer Teil der Box und rechter/oberer Whisker) eine kleinere Ausdehnung als der linke/untere Teil. Bei Merkmalen mit großer empirischer Kurtosis gibt es tendenziell viele Ausreißer, also separat eingetragene Merkmalswerte außerhalb der Whiskers (wenigstens auf einer Seite). Bei Merkmalen mit kleiner empirischer Kurtosis gibt es häufig wenige oder gar keine Ausreißer. Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 95
24 3 Auswertung von eindimensionalen Daten Symmetrie- und Wölbungsmaße 3.6 Beispiele für Merkmale mit unterschiedlicher empirischer Schiefe/Kurtosis Linkssteil mit großer emp. Kurtosis Rechtssteil mit kleiner emp. Kurtosis f j skewness(x)=2.13 kurtosis(x)=10.65 f j skewness(x)= 0.58 kurtosis(x)= Zugehörige Box-Plots: Deskriptive Statistik und Wahrscheinlichkeitsrechnung (SS 2017) Folie 96
Diskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrWeitere Lagemaße: Quantile/Perzentile II. Weitere Lagemaße: Quantile/Perzentile I. Weitere Lagemaße: Quantile/Perzentile IV
3 Auswertug vo eidimesioale Date Lagemaße 3.3 Weitere Lagemaße: Quatile/Perzetile I 3 Auswertug vo eidimesioale Date Lagemaße 3.3 Weitere Lagemaße: Quatile/Perzetile II Für jede Media x med gilt: Midestes
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 03 Hochschule Augsburg : Gliederung Einführung Deskriptive Statistik 3 Wahrscheinlichkeitstheorie
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden- 2.VO 1/57 Die Deskriptivstatistik
MehrStatistik I für Betriebswirte Vorlesung 9
Statistik I für Betriebswirte Vorlesung 9 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik Vorlesung am 8. Juni 2017 im Audi-Max (AUD-1001) Dr. Andreas Wünsche Statistik I für Betriebswirte
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 3. Vorlesung Dr. Jochen Köhler 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Im ersten
Mehr3. Deskriptive Statistik
3. Deskriptive Statistik Eindimensionale (univariate) Daten: Pro Objekt wird ein Merkmal durch Messung / Befragung/ Beobachtung erhoben. Resultat ist jeweils ein Wert (Merkmalsausprägung) x i : - Gewicht
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2011 Christodoulides / Waldherr Einführung in Quantitative Methoden- 2.VO 1/62 Summenzeichen
MehrEmpirische Verteilungsfunktion
Empirische Verteilungsfunktion H(x) := Anzahl der Werte x ist. Deskriptive
Mehr4 Statistische Maßzahlen
4 Statistische Maßzahlen 4.1 Maßzahlen der mittleren Lage 4.2 Weitere Maßzahlen der Lage 4.3 Maßzahlen der Streuung 4.4 Lineare Transformationen, Schiefemaße 4.5 Der Box Plot Ziel: Charakterisierung einer
MehrKapitel 1 Beschreibende Statistik
Beispiel 1.25: fiktive Aktienkurse Zeitpunkt i 0 1 2 Aktienkurs x i 100 160 100 Frage: Wie hoch ist die durchschnittliche Wachstumsrate? Dr. Karsten Webel 53 Beispiel 1.25: fiktive Aktienkurse (Fortsetzung)
Mehr1. Maße der zentralen Tendenz Beispiel: Variable Anzahl der Geschwister aus Jugend '92. Valid Cum Value Frequency Percent Percent Percent
Deskriptive Statistik 1. Verteilungsformen symmetrisch/asymmetrisch unimodal(eingipflig) / bimodal (zweigipflig schmalgipflig / breitgipflig linkssteil / rechtssteil U-förmig / abfallend Statistische Kennwerte
MehrUnivariate Häufigkeitsverteilungen Kühnel, Krebs 2001: Statistik für die Sozialwissenschaften, S.41-66
Univariate Häufigkeitsverteilungen Kühnel, Krebs 2001: Statistik für die Sozialwissenschaften, S.41-66 Gabriele Doblhammer: Empirische Sozialforschung Teil II, SS 2004 1/19 Skalenniveaus Skalenniveau Relation
MehrDeskriptive Statistik
Deskriptive Statistik Deskriptive Statistik: Ziele Daten zusammenfassen durch numerische Kennzahlen. Grafische Darstellung der Daten. Quelle: Ursus Wehrli, Kunst aufräumen 1 Modell vs. Daten Bis jetzt
Mehr4 Statistische Maßzahlen
4 Statistische Maßzahlen 4.1 Maßzahlen der mittleren Lage 4.2 Weitere Maßzahlen der Lage 4.3 Maßzahlen der Streuung 4.4 Lineare Transformationen, Schiefemaße 4.5 Der Box Plot Ziel: Charakterisierung einer
MehrDeskriptive Statistik Kapitel VI - Lage- und Streuungsparameter
Deskriptive Statistik Kapitel VI - Lage- und Streuungsparameter Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter, hoechstoetter@statistik.uni-karlsruhe.de Agenda 1. Ziele 2. Lageparameter 3.
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 26.02.2008 1 Warum Statistik und Wahrscheinlichkeits rechnung im Ingenieurwesen? Zusammenfassung der letzten Vorlesung Statistik und Wahrscheinlichkeitsrechnung
MehrDer Mittelwert (arithmetisches Mittel)
Der Mittelwert (arithmetisches Mittel) x = 1 n n x i bekanntestes Lagemaß instabil gegen extreme Werte geeignet für intervallskalierte Daten Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut
MehrKapitel 3: Lagemaße. Ziel. Komprimierung der Daten zu einer Kenngröße, welche die Lage, das Zentrum der Daten beschreibt
Kapitel 3: Lagemaße Ziel Komprimierung der Daten zu einer Kenngröße, welche die Lage, das Zentrum der Daten beschreibt Dr. Matthias Arnold 52 Definition 3.1 Seien x 1,...,x n Ausprägungen eines kardinal
MehrKreisdiagramm, Tortendiagramm
Kreisdiagramm, Tortendiagramm Darstellung der relativen (absoluten) Häufigkeiten als Fläche eines Kreises Anwendung: Nominale Merkmale Ordinale Merkmale (Problem: Ordnung nicht korrekt wiedergegeben) Gruppierte
MehrHäufigkeitsverteilungen und Statistische Maßzahlen. Häufigkeitsverteilungen und Statistische Maßzahlen. Variablentypen. Stichprobe und Grundgesamtheit
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Häufigkeitsverteilungen und Statistische Maßzahlen Statistik SS Variablentypen Qualitative
MehrDiese Lücken sollten nicht auch bei Ihnen vorhanden sein: Aufgrund einer statistischen Untersuchung entsteht eine geordnete bzw. ungeordnete, die durc
SS 2017 Torsten Schreiber 222 Diese Lücken sollten nicht auch bei Ihnen vorhanden sein: Aufgrund einer statistischen Untersuchung entsteht eine geordnete bzw. ungeordnete, die durch Summierung je Ausprägung
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 20. Oktober 2010 1 empirische Verteilung 2 Lageparameter Modalwert Arithmetisches Mittel Median 3 Streuungsparameter
MehrHerzlich willkommen zur Vorlesung Statistik. Streuungsmaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung
FB 1 W. Ludwig-Mayerhofer Statistik 1 Herzlich willkommen zur Vorlesung Statistik smaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung FB 1 W. Ludwig-Mayerhofer
MehrNachtrag zu Mittelwerten und Maßen der Dispersion
dur [ms] 40 60 80 100 120 140 160 Modul G.1 WS 06/07: Statistik 15.11.2006 1 Nachtrag zu Mittelwerten und Maßen der Dispersion Consonant duration Darstellungsmethode Boxplot Strich innerhalb der Boxen:
MehrDeskriptive Statistik Auswertung durch Informationsreduktion
Deskriptive Statistik Auswertung durch Informationsreduktion Gliederung Ø Grundbegriffe der Datenerhebung Total-/Stichprobenerhebung, qualitatives/quantitatives Merkmal Einteilung der Daten (Skalierung,
MehrBeispiel 2 (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter)
Beispiel (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter) 1 Ein Statistiker ist zu früh zu einer Verabredung gekommen und vertreibt sich nun die Zeit damit, daß er die Anzahl X der Stockwerke
MehrDr. Reinhard Vonthein, Dipl. Statistiker (Univ.)
Dr. Reinhard Vonthein, Dipl. Statistiker (Univ.) Reinhard.Vonthein@imbs.uni-luebeck.de Institut für Medizinische Biometrie und Statistik Universität zu Lübeck / Universitätsklinikums Schleswig-Holstein
Mehr5 Exkurs: Deskriptive Statistik
5 EXKURS: DESKRIPTIVE STATISTIK 6 5 Ekurs: Deskriptive Statistik Wir wollen zuletzt noch kurz auf die deskriptive Statistik eingehen. In der Statistik betrachtet man für eine natürliche Zahl n N eine Stichprobe
MehrDas harmonische Mittel
Das harmonische Mittel x H := 1 1 n n 1 x i Das harmonische Mittel entspricht dem Mittel durch Transformation t 1 t Beispiel: x 1,..., x n Geschwindigkeiten, mit denen konstante Wegstrecken l zurückgelegt
MehrAnteile Häufigkeiten Verteilungen Lagemaße Streuungsmaße Merkmale von Verteilungen. Anteile Häufigkeiten Verteilungen
DAS THEMA: VERTEILUNGEN LAGEMAßE - STREUUUNGSMAßE Anteile Häufigkeiten Verteilungen Lagemaße Streuungsmaße Merkmale von Verteilungen Anteile Häufigkeiten Verteilungen Anteile und Häufigkeiten Darstellung
MehrBitte am PC mit Windows anmelden!
Einführung in SPSS Plan für heute: Grundlagen/ Vorwissen für SPSS Vergleich der Übungsaufgaben Einführung in SPSS http://weknowmemes.com/generator/uploads/generated/g1374774654830726655.jpg Standardnormalverteilung
MehrInhaltsverzeichnis Grundlagen aufigkeitsverteilungen Maßzahlen und Grafiken f ur eindimensionale Merkmale
1. Grundlagen... 1 1.1 Grundgesamtheit und Untersuchungseinheit................ 1 1.2 Merkmal oder statistische Variable........................ 2 1.3 Datenerhebung.........................................
MehrVerteilungen und ihre Darstellungen
Verteilungen und ihre Darstellungen Übung: Stamm-Blatt-Diagramme Wie sind die gekennzeichneten Beobachtungswerte eweils zu lesen? Tragen Sie in beiden Diagrammen den Wert 0.452 an der richtigen Stelle
MehrMittelwert und Standardabweichung
Professur E-Learning und Neue Medien Institut für Medienforschung Philosophische Fakultät Einführung in die Statistik Mittelwert und Standardabweichung Überblick Mittelwert Standardabweichung Weitere Maße
MehrStatistische Kennzahlen für die Lage
Statistische Kennzahlen für die Lage technische universität ach der passenden grafischen Darstellung der Werte eines Merkmals auf der Gesamtheit der Beobachtungen interessieren jetzt geschickte algebraische
MehrKapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße. x mod (lies: x-mod) Wofür? Lageparameter. Modus/ Modalwert Zentrum. Median Zentralwert
Kapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße Wofür? Lageparameter Modus/ Modalwert Zentrum Median Zentralwert Im Datensatz stehende Informationen auf wenige Kenngrößen verdichten ermöglicht
MehrFachrechnen für Tierpfleger
Z.B.: Fachrechnen für Tierpfleger A10. Statistik 10.1 Allgemeines Was ist Statistik? 1. Daten sammeln: Durch Umfragen, Zählung, Messung,... 2. Daten präsentieren: Tabellen, Grafiken 3. Daten beschreiben/charakterisieren:
MehrDeskriptive Statistik Aufgaben und Lösungen
Grundlagen der Wirtschaftsmathematik und Statistik Aufgaben und en Lernmaterial zum Modul - 40601 - der Fernuniversität Hagen Inhaltsverzeichnis 1 Daten und Meßskalen 5 1.1 Konkrete Beispiele...................................
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 3 1 Inhalt der heutigen Übung Vorrechnen der Hausübung B.7 Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben C.1: Häufigkeitsverteilung C.2: Tukey
MehrDemokurs. Modul Grundlagen der Wirtschaftsmathematik Grundlagen der Statistik
Demokurs Modul 31101 Grundlagen der Wirtschaftsmathematik und Statistik Kurs 40601 Grundlagen der Statistik 13. Juli 2010 KE 1 2.4 Schiefe und Wölbung einer Verteilung Seite: 53 2.4 Schiefe und Wölbung
MehrStatistik und Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Im ersten Schritt werden wir die Daten nur beschreiben:
MehrDeskriptive Statistik
Helge Toutenburg Christian Heumann Deskriptive Statistik Eine Einführung in Methoden und Anwendungen mit R und SPSS Siebte, aktualisierte und erweiterte Auflage Mit Beiträgen von Michael Schomaker 4ü Springer
Mehr3 Lage- und Streuungsmaße
3 Lage- und Streuungsmaße Grafische Darstellungen geben einen allgemeinen Eindruck der Verteilung eines Merkmals, u.a. von Lage und Zentrum der Daten, Streuung der Daten um dieses Zentrum, Schiefe / Symmetrie
Mehr2. Deskriptive Statistik
Philipps-Universitat Marburg 2.1 Stichproben und Datentypen Untersuchungseinheiten: mogliche, statistisch zu erfassende Einheiten je Untersuchungseinheit: ein oder mehrere Merkmale oder Variablen beobachten
MehrW-Rechnung und Statistik für Ingenieure Übung 4
W-Rechnung und Statistik für Ingenieure Übung 4 Aufgabe 1 : Zementdaten Lösung in R: Lade den Datensatz SETTING.DAT: Die erste Spalte von setting gibt die prozentualen Anteile von a wieder, die Zweite
MehrStreuungsmaße Worum geht es in diesem Modul? Allgemeines zu Streuungsmaßzahlen Spannweite und Interquartilsabstand
Streuungsmaße Worum geht es in diesem Modul? Allgemeines zu Streuungsmaßzahlen Spannweite und Interquartilsabstand Berechnung der mittleren quadratischen Abweichung und der Varianz aus einer Urliste Standardabweichung
Mehr1 Univariate Statistiken
1 Univariate Statistiken Im ersten Kapitel berechnen wir zunächst Kenngrößen einer einzelnen Stichprobe bzw. so genannte empirische Kenngrößen, wie beispielsweise den Mittelwert. Diese können, unter gewissen
MehrPhilipp Sibbertsen Hartmut Lehne. Statistik. Einführung für Wirtschafts- und. Sozialwissenschaftler. 2., überarbeitete Auflage. 4^ Springer Gabler
Philipp Sibbertsen Hartmut Lehne Statistik Einführung für Wirtschafts- und Sozialwissenschaftler 2., überarbeitete Auflage 4^ Springer Gabler Inhaltsverzeichnis Teil I Deskriptive Statistik 1 Einführung
Mehr3.2 Streuungsmaße. 3 Lage- und Streuungsmaße 133. mittlere Variabilität. geringe Variabilität. große Variabilität 0.0 0.1 0.2 0.3 0.4 0.
Eine Verteilung ist durch die Angabe von einem oder mehreren Mittelwerten nur unzureichend beschrieben. Beispiel: Häufigkeitsverteilungen mit gleicher zentraler Tendenz: geringe Variabilität mittlere Variabilität
MehrArbeitsbuch zur deskriptiven und induktiven Statistik
Helge Toutenburg Michael Schomaker Malte Wißmann Christian Heumann Arbeitsbuch zur deskriptiven und induktiven Statistik Zweite, aktualisierte und erweiterte Auflage 4ü Springer Inhaltsverzeichnis 1. Grundlagen
MehrUniv.-Prof. Dr. Georg Wydra
Univ.-Prof. Dr. Georg Wydra Methoden zur Auswertung von Untersuchungen 1 SKALENTYPEN UND VARIABLEN 2 ZUR BEDEUTUNG DER STATISTIK IN DER FORSCHUNG 3 STATISTIK ALS VERFAHREN ZUR PRÜFUNG VON HYPOTHESEN 4
MehrAnwendung A_0801_Quantile_Minimum_Maximum
8. Lageparameter 63 8.3 Interaktive EXCEL-Anwendungen (CD-ROM) Anwendung A_080_Quantile_Minimum_Maimum Die Anwendung besteht aus einem Tabellenblatt Simulation : In der Simulation wird aus einer Urliste
MehrDie Familie der χ 2 (n)-verteilungen
Die Familie der χ (n)-verteilungen Sind Z 1,..., Z m für m 1 unabhängig identisch standardnormalverteilte Zufallsvariablen, so genügt die Summe der quadrierten Zufallsvariablen χ := m Z i = Z 1 +... +
Mehrabsolute Häufigkeit h: Anzahl einer bestimmten Note relative Häufigkeit r: Anzahl einer bestimmten Note, gemessen an der Gesamtzahl der Noten
Statistik Eine Aufgabe der Statistik ist es, Datenmengen zusammenzufassen und darzustellen. Man verwendet dazu bestimmte Kennzahlen und wertet Stichproben aus, um zu Aussagen bzw. Prognosen über die Gesamtheit
Mehra) x = 1150 ; x = 950 ; x = 800 b) Die Lagemaße unterscheiden sich voneinander. c) Der Median charakterisiert die Stichprobe am besten.
R. Brinkmann http://brinkmann-du.de Seite 6.0.2009 Lösungen Mittelwert, Median II se: E E2 E3 E4 E5 E6 a) Notendurchschnitt 2,6 b) Säulendiagramm siehe ausführliche Lösung. c) Kreisdiagramm siehe ausführliche
MehrEinführung in die computergestützte Datenanalyse
Karlheinz Zwerenz Statistik Einführung in die computergestützte Datenanalyse 6., überarbeitete Auflage DE GRUYTER OLDENBOURG Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL
MehrStatistik eindimensionaler Größen
Statistik eindimensionaler Größen Michael Spielmann Inhaltsverzeichnis 1 Aufgabe der eindimensionalen Statistik 2 2 Grundbegriffe 2 3 Aufbereiten der Stichprobe 3 4 Die Kennzahlen Mittelwert und Streuung,
MehrStatistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz 3., überarbeitete Auflage R.01denbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt
Mehr3 Lage- und Streuungsmaße
3 Lage- und Streuungsmaße 3.0 Kumulierte Häufigkeiten und empirische Verteilungsfunktion Grafische Darstellungen geben einen allgemeinen Eindruck der Verteilung eines Merkmals: Lage und Zentrum der Daten,
MehrKenngrößen von Zufallsvariablen
Kenngrößen von Zufallsvariablen Die Wahrscheinlichkeitsverteilung kann durch die sogenannten Kenngrößen beschrieben werden, sie charakterisieren sozusagen die Verteilung. Der Erwartungswert Der Erwartungswert
MehrMerkmalstypen Univ.-Prof. Dr. rer. nat. et med. habil. Andreas Faldum
1 Merkmalstypen Quantitativ: Geordnete Werte, Vielfache einer Einheit Stetig: Prinzipiell sind alle Zwischenwerte beobachtbar Beispiele: Gewicht, Größe, Blutdruck Diskret: Nicht alle Zwischenwerte sind
MehrMathematische Statistik. Zur Notation
Mathematische Statistik dient dazu, anhand von Stichproben Informationen zu gewinnen. Während die Wahrscheinlichkeitsrechnung Prognosen über das Eintreten zufälliger (zukünftiger) Ereignisse macht, werden
MehrTeil / Ein paar statistische Grundlagen 25. Kapitel 1 Was Statistik ist und Warum sie benötigt Wird 2 7
Inhaltsverzeichnis Einführung 21 Über dieses Buch 21 Törichte Annahmen über den Leser 22 Wie dieses Buch aufgebaut ist 23 Teil I: Ein paar statistische Grundlagen 23 Teil II: Die beschreibende Statistik
MehrKapitel 1 Beschreibende Statistik
Beispiel 1.5: Histogramm (klassierte erreichte Punkte, Fortsetzung Bsp. 1.1) 0.25 0.2 Höhe 0.15 0.1 0.05 0 0 6 7 8,5 10 11 erreichte Punkte Dr. Karsten Webel 24 Beispiel 1.5: Histogramm (Fortsetzung) Klasse
Mehrhtw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK htw saar 2 Grundbegriffe htw saar 3 Grundgesamtheit und Stichprobe Ziel: Über eine Grundgesamtheit (Population) soll eine Aussage über ein
MehrKapitel 2. Häufigkeitsverteilungen
6 Kapitel 2 Häufigkeitsverteilungen Ziel: Darstellung bzw Beschreibung (Exploration) einer Variablen Ausgangssituation: An n Einheiten ω,, ω n sei das Merkmal X beobachtet worden x = X(ω ),, x n = X(ω
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere: a) durchschnittlicher Wert Erwartungswert, z.b.
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
MehrSerie 1 Serie 2 Serie 3 Serie 4 Serie 5 Serie 6. Statistik-Tutorium. Lösungsskizzen Übung SS2005. Thilo Klein. Grundstudium Sommersemester 2008
Serie 1 Serie 2 Serie 3 Serie 4 Serie 5 Serie 6 Lösungsskizzen Übung SS2005 Grundstudium Sommersemester 2008 Serie 1 Serie 2 Serie 3 Serie 4 Serie 5 Serie 6 Inhalt Serie 1 Serie 2 Serie 3 Serie 4 Serie
MehrStatistik. Einführung in die com putergestützte Daten an alyse. Oldenbourg Verlag München B , überarbeitete Auflage
Statistik Einführung in die com putergestützte Daten an alyse von Prof. Dr. Karlheinz Zwerenz 4., überarbeitete Auflage B 366740 Oldenbourg Verlag München Inhalt Vorwort XI Hinweise zu EXCEL und SPSS XII
MehrThema: Mittelwert einer Häufigkeitsverteilung. Welche Informationen kann der Mittelwert geben?
Thema: Mittelwert einer Häufigkeitsverteilung Beispiel: Im Mittel werden deutsche Männer 75,1 Jahre alt; sie essen im Mittel pro Jahr 71 kg Kartoffel(-produkte) und trinken im Mittel pro Tag 0.35 l Bier.
MehrVerteilungsfunktion und Quantile
Statistik 1 für SoziologInnen Verteilungsfunktion und Quantile Univ.Prof. Dr. Marcus Hudec Kumulierte Häufigkeiten Hinweis: Damit das Kumulieren inhaltlich sinnvoll ist, muss das Merkmal zumindest ordinal
MehrStatistik SS Deskriptive Statistik. Bernhard Spangl 1. Universität für Bodenkultur. March 1, 2012
Statistik SS 2012 Deskriptive Statistik Bernhard Spangl 1 1 Institut für angewandte Statistik und EDV Universität für Bodenkultur March 1, 2012 B. Spangl (Universität für Bodenkultur) Statistik SS 2012
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF DR ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 23042013 Datenlagen und Darstellung eindimensionaler Häufigkeitsverteilungen
Mehr1.1 Graphische Darstellung von Messdaten und unterschiedliche Mittelwerte. D. Horstmann: Oktober
1.1 Graphische Darstellung von Messdaten und unterschiedliche Mittelwerte D. Horstmann: Oktober 2014 4 Graphische Darstellung von Daten und unterschiedliche Mittelwerte Eine Umfrage nach der Körpergröße
MehrKapitel VII - Konzentration von Merkmalswerten
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VII - Konzentration von Merkmalswerten Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrStatistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt
Statistik I 1. Klausur Wintersemester 2010/2011 Hamburg, 11.02.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrLagemaße Übung. Zentrale Methodenlehre, Europa Universität - Flensburg
Lagemaße Übung M O D U S, M E D I A N, M I T T E L W E R T, M O D A L K L A S S E, M E D I A N, K L A S S E, I N T E R P O L A T I O N D E R M E D I A N, K L A S S E M I T T E Zentrale Methodenlehre, Europa
MehrStreuungsmaße. Die angegebenen Maßzahlen sind empirisch, d.h. sie sind Schätzungen für die wahre Varianz (empirische) Varianz (Streuung) s 2 = 1 n
Streuungsmaße Diskrete Stetige Die angegebenen Maßzahlen sind empirisch, d.h. sie sind Schätzungen für die wahre (empirische) (Streuung) s 2 = 1 n (X i X) 2 n 1 i=1 s 2 n var(x) Warum Division durch (n
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
MehrSTATISTIK I Übung 04 Spannweite und IQR. 1 Kurze Wiederholung. Was sind Dispersionsparameter?
STATISTIK I Übung 04 Spannweite und IQR 1 Kurze Wiederholung Was sind Dispersionsparameter? Die sogenannten Dispersionsparameter oder statistischen Streuungsmaße geben Auskunft darüber, wie die Werte einer
MehrStatistik für. von. Prof. Dr. Josef Bleymüller. und. Prof. Dr. Rafael Weißbach. sowie. Dr. Günther Gehlert. und. Prof. Dr.
Statistik für Wirtschaftswissenschaftler von Prof. Dr. Josef Bleymüller und Prof. Dr. Rafael Weißbach sowie Dr. Günther Gehlert und Prof. Dr. Herbert Gülicher bei früheren Auflagen 17., überarbeitete Auflage
MehrI.V. Methoden 2: Deskriptive Statistik WiSe 02/03
I.V. Methoden 2: Deskriptive Statistik WiSe 02/03 Vorlesung am 04.11.2002 Figures won t lie, but liars will figure. General Charles H.Grosvenor Dr. Wolfgang Langer Institut für Soziologie Martin-Luther-Universität
MehrStatistik II: Grundlagen und Definitionen der Statistik
Medien Institut : Grundlagen und Definitionen der Statistik Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Hintergrund: Entstehung der Statistik 2. Grundlagen
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
Mehr1) Warum ist die Lage einer Verteilung für das Ergebnis einer statistischen Analyse von Bedeutung?
86 8. Lageparameter Leitfragen 1) Warum ist die Lage einer Verteilung für das Ergebnis einer statistischen Analyse von Bedeutung? 2) Was ist der Unterschied zwischen Parametern der Lage und der Streuung?
MehrDie erhobenen Daten werden zunächst in einer Urliste angeschrieben. Daraus ermittelt man:
Die erhobenen Daten werden zunächst in einer Urliste angeschrieben. Daraus ermittelt man: a) Die absoluten Häufigkeit: Sie gibt an, wie oft ein Variablenwert vorkommt b) Die relative Häufigkeit: Sie erhält
MehrMedian 2. Modus < Median < Mittelwert. Mittelwert < Median < Modus. 2 Modalwerte oder Modus viel größer bzw. viel kleiner als Mittelwert
Universität Flensburg Zentrum für Methodenlehre Tutorium Statistik I Modus oder Modalwert (D) : - Geeignet für nominalskalierte Daten - Wert der häufigsten Merkmalsausprägung - Es kann mehrere Modalwerte
MehrVorlesungsskript. Deskriptive Statistik. Prof. Dr. Günter Hellmig
Vorlesungsskript Deskriptive Statistik Prof. Dr. Günter Hellmig Prof. Dr. Günter Hellmig Vorlesungsskript Deskriptive Statistik Erstes Kapitel Die Feingliederung des ersten Kapitels, welches sich mit einigen
MehrGrundlagen der Statistik I
NWB-Studienbücher Wirtschaftswissenschaften Grundlagen der Statistik I Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 10. Auflage Verlag Neue Wirtschafts-Briefe Herne/Berlin Inhaltsverzeichnis
MehrEinführung in die Statistik
Einführung in die Statistik 1. Deskriptive Statistik 2. Induktive Statistik 1. Deskriptive Statistik 1.0 Grundbegriffe 1.1 Skalenniveaus 1.2 Empirische Verteilungen 1.3 Mittelwerte 1.4 Streuungsmaße 1.0
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF DR ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 07052013 Mittelwerte und Lagemaße II 1 Anwendung und Berechnung
MehrPROC MEANS. zum Berechnen statistischer Maßzahlen (für quantitative Merkmale)
PROC MEAS zum Berechnen statistischer Maßzahlen (für quantitative Merkmale) Allgemeine Form: PROC MEAS DATA=name Optionen ; VAR variablenliste ; CLASS vergleichsvariable ; Beispiel und Beschreibung der
Mehr1.5 Erwartungswert und Varianz
Ziel: Charakterisiere Verteilungen von Zufallsvariablen (Bildbereich also reelle Zahlen, metrische Skala) durch Kenngrößen (in Analogie zu Lage- und Streuungsmaßen der deskriptiven Statistik). Insbesondere:
Mehr1 45, 39, 44, 48, 42, 39, 40, , 31, 46, 35, 31, 42, 51, , 42, 33, 46, 33, 44, 43
1) Ermittle jeweils das arithmetische Mittel. Ordne die Datenerhebungen nach der Größe der arithmetischen Mittel. Beginne mit dem Größten. 1 45, 39, 44, 48, 42, 39, 40, 31 2 35, 31, 46, 35, 31, 42, 51,
Mehr